UTOPYA：面向物理信息异常检测与时间序列预测的多模态深度学习框架
摘要
间歇过程中的异常检测受到瞬态动态、故障标签稀缺以及对单模态传感器数据依赖的阻碍。本工作提出了 UTOPYA（Unified Temporal Observation for Physics-Informed Anomaly Detection and Time-Series Prediction，用于物理信息异常检测与时间序列预测的统一时间观测），这是一个具有 1520 万参数的多模态框架，通过基于 Feature-wise Linear Modulation (FiLM) 条件化的跨模态注意力与门控融合，融合八种数据模态，联合解决间歇精馏中的异常检测、时间序列预测和相分类问题。本工作引入的物理信息正则化方案强制执行时间平滑性与热力学单调性，同时课程学习按物理难度的顺序引入训练样本。在 Arweiler 等人 (2026) 的 119 次实验多模态间歇精馏数据集上，UTOPYA 在窗口级别获得了 0.832 的测试 AUROC，在多信号实验级别评分下达到 0.874，显著优于在相同条件下评估的四个外部基线（PCA、自编码器、Isolation Forest 和 LSTM 自编码器）（窗口级别 AUROC 相比最佳基线提升 +0.147）。针对 15 种架构配置的多模态消融研究表明，通过 FiLM 条件化引入的静态上下文是关键使能因素，使实验级别多信号 AUROC 相比单模态基线提升了 +0.145（从 0.729 提升至 0.874）。另外，针对 14 种设计选择的训练消融揭示，包括实例归一化、Mixup、集成、测试时增强和随机权重平均在内的若干被广泛采用的技术，未能改善甚至主动损害了这一数据稀缺设定下的泛化能力。这些负面结果揭示了基于平滑的正则化与异常检测之间的根本矛盾，为多模态过程监控的部署提供了实用指导。
引用
@article{arxiv.2605.18188,
title = {UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction},
author = {Robson W. S. Pessoa and Julien Amblard and Alessandra Russo and Idelfonso B. R. Nogueira},
journal= {arXiv preprint arXiv:2605.18188},
year = {2026}
}